SCTinst – Betrug in 10 Sekunden erkennen? Nur noch mit Echtzeit-KI möglich

Schwerpunkt: Fraud Detection

Seit Januar 2025 ist der Empfang von Instant Payments für Banken bereits verpflichtend – doch die eigentliche Herausforderung steht noch bevor: Ab Oktober 2025 müssen Zahlungen innerhalb eines Zeitfensters von maximal zehn Sekunden aktiv abgewickelt werden, einschließlich des verpflichtenden IBAN-Namensabgleichs („Verification of Payee“). Besonders anspruchsvoll wird diese Aufgabe dadurch, dass innerhalb dieses kurzen Zeitfensters potenzieller Betrug erkannt und verhindert werden muss.

von Fabian Forthmann und Jan Ecke, beide msg for banking

Moderne Zahlungsabwicklungssysteme, welche die technische Grundlage für Instant Payments liefern, sind dank einiger Kernbankenanbieter meist schon Standard. Eine weiterhin bestehende Herausforderung ist hingegen die zuverlässige Erkennung von Betrug.

Banken stehen vor der Aufgabe, ihre Kunden effektiv vor Betrug zu schützen und dabei gleichzeitig einen reibungslosen Zahlungsverkehr zu gewährleisten. Es gilt, die richtige Balance zu finden: Einerseits dürfen legitime Zahlungen nicht fälschlich als betrügerisch eingestuft werden („False Positives“), andererseits darf echter Betrug nicht unentdeckt bleiben („False Negatives“).

Herkömmliche regelbasierte Systeme stoßen hier zunehmend an ihre Grenzen. Machine-Learning-Algorithmen entfalten an dieser Stelle ihr Potenzial: Sie arbeiten präziser, reduzieren Fehlalarme und senken somit die Notwendigkeit kostenintensiver manueller Prüfungen – und das innerhalb des vorgegebenen Zeitfensters.

Vorteile von Machine-Learning-Algorithmen gegenüber klassischen regelbasierten Systemen

Machine-Learning-Algorithmen bieten gegenüber klassischen regelbasierten Systemen klare Vorteile: Sie können kontinuierlich aus neuen Daten lernen und sich dynamisch an veränderte Betrugsmuster anpassen, wodurch sich die Qualität der Betrugserkennung stetig verbessert.

Ein Erfolgsfaktor ist das Feature Engineering, bei dem Fachwissen und technische Expertise zusammenfließen, um präzise Vorhersagen zu ermöglichen.”

In diesem Kontext spielt auch die Datenbasis eine wichtige Rolle: Da echte Betrugsfälle nur einen marginalen Anteil aller Transaktionen ausmachen, sind folglich auch die dem Modell zugrundeliegenden Trainingsdaten äußerst ungleich verteilt. Es ist entscheidend, diese sogenannte Imbalance zu adressieren, um eine zuverlässige und robuste Betrugserkennung sicherzustellen.

Gleichzeitig müssen ethische Aspekte berücksichtigt werden, um Diskriminierungen strikt zu vermeiden. Denn selbst wenn Betrug verhindert wird, darf dies keinesfalls zu einer Benachteiligung bestimmter Personengruppen führen.

Trotz aller Vorteile KI-basierter Fraud Detection bleibt die enge Zeitvorgabe von nur zehn Sekunden herausfordernd. Um die Potenziale von Machine Learning vollständig auszuschöpfen, müssen alle Prozessschritte optimal ineinandergreifen. Ein sofortiger IBAN-Namensabgleich („Verification of Payee“) direkt bei Eingabe der Zahlungsdaten sowie eine frühzeitige Analyse von Nutzungsmustern im Online-Banking sind dabei zentrale Bausteine.

Durch eine modular aufgebaute Prozessstruktur entsteht in Verbindung mit KI-gestützter Betrugserkennung ein hybrides, robustes und präzises System, in dem ML-Lösungen vorhandene Verfahren ergänzen.

Ein kontinuierliches Feedback aus der nachgelagerten Bewertung sorgt dafür, dass die Modelle stetig lernen und sich weiter verbessern. Diese ganzheitliche Sicht ist besonders relevant, da mit den voraussichtlich ab 2026 in Kraft tretenden PSD3- und PSR-Richtlinien die regulatorischen Anforderungen an die Betrugserkennung weiter steigen werden. Nur wenn Banken diesen ganzheitlichen Ansatz verfolgen, sichern sie somit langfristig nicht nur die Einhaltung regulatorischer Vorgaben, sondern stärken zugleich das Vertrauen ihrer Kunden in ein sicheres und zuverlässiges Zahlungserlebnis.Fabian Forthmann, Jan Ecke, beide msg for banking/dk